Herramientas de IA puntuadas para tu trabajo
Gana entrenando IA
🤝 Estás en la biblioteca Gratis y Open Source — herramientas creadas por la comunidad que puedes usar sin pagar. Un concepto distinto a nuestro directorio de IA puntuado.
Inicio › Gratis y Open Source › Agricultura › Plants Disease Detection
✦ Gratis y open sourceAgricultura

Plants Disease Detection

Línea base basada en PyTorch y canalización de clasificación de imágenes para la detección de enfermedades en cultivos.

Detección de enfermedades en cultivos con PyTorch

Línea base de la competición AI Challenger 2018 actualizada para PyTorch 2.x con cambio automático de dispositivo y AMP.

Gratis para siempre · source-available · Licence not stated in the repository
✓ Light setup✓ En el navegador✓ Colaboración en tiempo real
6.1
ZEKAI
Sólida línea base para enfermedades en cultivos
Gratis y open source · Agricultura
Facilidad de configuración4
Utilidad7
Mantenimiento8.5
Comunidad5
★ 342
GITHUB
Aug 2026
ACTUALIZADO
Licence not stated in the repository
LICENCIA
🛠 ¿No quieres alojarlo tú mismo? Podemos configurarlo →
⚡ Respuesta rápida

Este repositorio proporciona una canalización completa en PyTorch para clasificar enfermedades de plantas a partir de imágenes de hojas de alta resolución. Está dirigido a profesionales del aprendizaje automático y científicos de datos agrícolas que buscan un modelo base construido sobre ResNet50.

Funciona en
Cross-platform
Alojamiento
Self-host
Idiomas
Python
Licencia
Licence not stated in the repository

Qué es

Procesa imágenes de cultivos de 650x650 a través de una arquitectura ResNet50 modificada, gestiona la división estratificada de conjuntos de datos y admite tanto aumentos de datos en línea como preprocesamiento opcional fuera de línea. La canalización incluye cambio automático de CPU/GPU, entrenamiento de precisión mixta y una implementación corregida de FocalLoss para gestionar desequilibrios de clases.

Para quién

Es adecuado para desarrolladores e investigadores con experiencia en PyTorch que necesitan una línea base estructurada para tareas de clasificación de imágenes agrícolas. No es adecuado para agrónomos sin perfil técnico que busquen una aplicación móvil lista para usar o una interfaz web plug-and-play.

Funciones clave

Clasificación con ResNet50

Utiliza una red ResNet50 preentrenada adaptada con una capa de agrupación promedio adaptativa y una cabeza de clasificación de 59 clases.

AMP de precisión mixta

Permite entrenamiento automático con precisión mixta en dispositivos CUDA para reducir el consumo de memoria y acelerar la ejecución.

Preparación de datos estratificada

Incluye scripts para fusionar y dividir conjuntos de entrenamiento y validación utilizando lógica de K-folds estratificados mientras gestiona clases anómalas.

Pérdida focal corregida

Proporciona una implementación fija de FocalLoss con modulación adecuada por muestra para reemplazar la entropía cruzada estándar.

Cómo empezar

Listo en 3 pasos

1
Clona el repositorio e instala las dependencias usando pip install -r requirements.txt.
2
Descarga el conjunto de datos y organiza las imágenes en directorios usando el script move.py proporcionado.
3
Ejecuta python main.py para iniciar el entrenamiento, la evaluación y la inferencia del conjunto de pruebas.
Sin rodeos

Nuestro veredicto honesto

Lo mejor

  • Modernizado para PyTorch 2.x con alternativa automática a CPU y GPU.
  • Incluye scripts de preprocesamiento y mapeo de etiquetas adaptados al conjunto de datos de AI Challenger.
  • Aumentos de datos en línea configurables que incluyen rotación aleatoria, volteos y transformaciones afines.
  • Genera archivos de presentación JSON estándar que coinciden con los formatos de evaluación de la competición.

Sus límites

  • Requiere la descarga manual de archivos de conjuntos de datos externos de Baidu Netdisk.
  • Las grandes entradas de imagen de 650x650 exigen una memoria de GPU significativa durante el entrenamiento.
  • Requiere escribir y modificar archivos de configuración en Python para ajustar los hiperparámetros.
Costo

Precios y licencia

Gratuito debido a su naturaleza de open source, aunque el README no especifica una licencia formal. El único coste es ejecutarlo por cuenta propia en hardware propio o instancia en la nube.

Trabajo remunerado

Empleos para hispanohablantes

877 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.

Ver todos los puestos abiertos →
Comparar

Alternativas

🎁 Alternativas gratis y open source

Estas herramientas de IA evaluadas hacen el mismo trabajo al instante — de nuestro directorio puntuado.

Más

Úsalo, o deja que lo configuremos

📄 PDF gratis: Plants Disease Detection para Agricultura
Una guía en lenguaje claro para tu primer resultado. Enviada a tu correo.
🔔 64 personas quieren un tutorial en vídeo completo — añade tu voto
🛠 ¿No quieres configurarlo tú mismo?
Instalamos, alojamos y configuramos Plants Disease Detection por ti — y formamos a tu equipo.
Que lo hagamos por ti ↗
Preguntas

FAQ

¿Qué hardware necesito para ejecutar esta herramienta?

Se recomienda una GPU compatible con CUDA con suficiente VRAM debido al tamaño de imagen de 650x650, aunque el código recurre automáticamente a la CPU si no se detecta ninguna GPU.

¿Cómo se gestionan los índices de las etiquetas de clase?

El script de preparación elimina clases anómalas específicas y desplaza los índices, mientras que la canalización de pruebas mapea automáticamente las predicciones de vuelta a los identificadores oficiales originales.

Radar

Últimas noticias de IA

✉️ El kit gratuito semanal
Las mejores nuevas herramientas gratis y open source para Agricultura — un correo corto por semana, en tu idioma.
Gratis · 1 correo/semana · cancela cuando quieras
Gana dinero entrenando IA →

Ve Zekai primero en Google